Home
Chapitre 7: Estimation des modèles GARCH par quasi-maximum de
vraisemblance
Christian Francq et Jean-Michel Zakoïan
Mots clés: coefficient de Lyapounov, convergence et normalité asymptotique, ergodicité, estimation des ARMA-GARCH, estimation des GARCH,
moindres carrés ordinaires (MCO) pour estimer un GARCH(p,q), quasi-maximum de vraisemblance (QMV), quasi
vraisemblance, TCL (Théorème Central Limite) pour différence de
martingale stationnaire.
Présentation:
L'utilisation de la méthode du quasi-maximum de vraisemblance est
particulièrement intéressante pour les modèles GARCH car elle est
valide, asymptotiquement, pour tout processus GARCH strictement
stationnaire (sous des conditions de régularité mineures), sans
hypothèse de moments sur le processus observé. Par contraste, les
méthodes de type moindres carrés vues au chapitre précédent
nécessitaient des moments d'ordre 4 au moins.
Dans ce chapitre, nous étudions en détail la méthode du
quasi-maximum de vraisemblance conditionnelle (à des valeurs
initiales).
Dans un premier temps, nous nous limiterons aux GARCH purs (le
processus observé est un GARCH). Nous allons présenter une procédure
itérative de calcul de la log-vraisemblance gaussienne,
conditionnellement à des valeurs initiales fixes ou aléatoires.
Cette vraisemblance est écrite comme si la loi du bruit iid était normale centrée réduite (on parle de pseudo ou
quasi-vraisemblance), mais cette hypothèse n'est pas nécessaire pour
la convergence forte de l'estimateur. Elle a évidemment un effet sur
la variance de la loi normale asymptotique de l'estimateur. Dans un
deuxième temps, nous étendrons l'approche précédente aux modèles
ARMA-GARCH. Les propriétés asymptotiques de l'estimateur du
quasi-maximum du vraisemblance (QMV) sont établies en fin de
chapitre.
Programme R
utilisé pour la figure 2
Programme R
utilisé pour le tableau 7.4 (estimation GARCH(1,1) de 11 rendements d'indices)
Données utilisées dans la partie 7.3
rendements journaliers de 11 indices